python实现knn算法鸢尾花

KNN（K-Nearest Neighbors）算法是一种常用的分类算法，它的基本思想是找到距离待分类样本最近的K个已知类别的样本点，然后将待分类样本归为出现最多的类别。

下面是Python实现KNN算法对鸢尾花分类的代码：

import numpy as np
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

class KNN:
    def __init__(self, k):
        self.k = k
    
    def fit(self, X_train, y_train):
        self.X_train = X_train
        self.y_train = y_train
    
    def predict(self, X_test):
        y_pred = []
        
        for x in X_test:
            distances = []
            
            for i in range(len(self.X_train)):
                distance = np.sqrt(np.sum((x - self.X_train[i]) ** 2))
                distances.append((distance, self.y_train[i]))
            
            distances = sorted(distances)
            k_nearest_neighbors = distances[:self.k]
            k_nearest_neighbors_labels = [label for _, label in k_nearest_neighbors]
            most_common_label = max(set(k_nearest_neighbors_labels), key=k_nearest_neighbors_labels.count)
            y_pred.append(most_common_label)
        
        return y_pred

data = load_iris()
X = data.data
y = data.target

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

model = KNN(k=5)
model.fit(X_train, y_train)
y_pred = model.predict(X_test)

accuracy = accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)

上述代码首先导入必要的库，然后定义了一个KNN类，其中`__init__`方法初始化了一个K值，`fit`方法用于训练模型，`predict`方法用于对测试样本进行预测。在`predict`方法中，首先计算测试样本与训练样本之间的距离，然后将距离最近的K个样本点的标签保存到一个列表中，最后统计标签列表中出现最多的标签作为预测结果。

接下来，我们加载鸢尾花数据集并将其分为训练集和测试集。然后，我们使用KNN模型对训练集进行训练，并使用测试集进行预测。最后，我们计算模型的精度并打印出来。